演算法交易時代來臨
一、演算法交易(algorithmic trading) 是什麼？
演算法交易，也稱作自動交易(automated trading)，指事先設計好交易策略，然後將其編製成電腦程式。 利用電腦程式的演算法來決定交易下單的時機、價格和數量等。 ... 演算法交易也稱黑盒交易、自動交易，演算法交易有時也被用來泛指所有使用數量技術和電腦程式來進行下單和投資的行為。
一般而言演算法交易有三種型態：
1.套利交易--利用無風險套利機會在市場上進行套利交易。
2.委託執行交易—將要執行的委託單分割成許多小額委託單盡量減少對價格衝擊尋求最佳交易價格。
3.統計演算法—通過數量預測模型從市場上尋找最佳投資機會。
二、量化交易(Quantitative Trading)是什麼？
也有人稱為演算法交易(Algorithmic Trading)，簡單來說是透過電腦來進行執行交易的行為，通常交易者具備一定程式設計能力，將交易者的想法透過程式去驗證、測試並執行，利用的是相對科學的方式去進行投資決策，而不是「我感覺、我認為、我相信」的主觀式交易；量化交易只是個決策的方式，並不是專注在哪種分析方式，例如技術分析、基本分析與籌碼分析，只要有相對應的資料，透過資料處理的邏輯，就可成為交易的規則。
量化交易很多人可能以為是利用技術指標去進行程式交易，這個其實是狹義的量化交易，量化交易可以進行不只從股價計算而來的技術指標進出，只要你有其他的資料再進行時間點的對應也可執行不同的策略分析。
下圖為計量交易的流程．首先，交易者會從歷史資料或過去經驗中得到對於市場的知識，將知識量化後發展出交易策略，並使用策略對過去歷史資料做回測，產生對此策略的評估報告．這樣做的好處是，可以確保執行者對策略完全了解，另一方面，若在回測中發現不夠好的部分，也可以及時修正與改進．最後，此策略就可以進入實際操作的階段．而從發展策略到回測產生評估報告的過程，就是傳統投資方式與量化交易最大的差異處。
「傳統投資管理與量化投資之間最主要的差異，就在於量化投資策略能夠回測出策略在過去的表現」
當有時間序列型態的資料與價格時，即可進行過去N年的驗證，投資組合配置、統計套利與衍生性商品避險均可以利用回測來進行想法的驗證。
然而也不要全然盡信回測的結果，如果某一個策略的績效表現相當亮眼，是不是能夠將大筆資金使用這個策略押下去了呢？如果有經歷過參數最佳化過程，必須判斷是不是會有過度配飾(Over-fitting)的問題，可以從樣本外測試大致推估策略的穩定度。隨著市場參與者及政策的變化，策略一定會在未來某個時間會失效，所以必須要不斷的研究開發新的策略，以持續在這個市場中生存。
現代投資人為甚麼需要演算法交易
伴隨金融科技生態體系的不斷演進，金融體系也迎來了智能化的變革。在互聯網、大數據分析及人工智慧技術迅速提升的基礎上，智能化成為投資理財發展的新趨勢，支撐該智能化的最神秘力量就是有效的金融演算法。
現今金融情勢詭譎多變，黑天鵝事件頻傳，投資難度因而升高，加上市場多採行系統交易，波動度亦加劇，處於如此震蕩的投資環境，智能投資提供了一個執行紀律投資的好平台，當遇到市場有大變化需要調整時, 若採用一個一致性，系統化，並經過歷史資料驗證，找出有效的回測績效，並在後續透過該交易策略去執行交易的演算法交易，則投資將會是一件優雅的事情。
演算法交易的優、缺點
一、演算法交易優勢：
(一)避免交易時受情緒、心理上的影響，或者人為上的延遲。
(二)可同時追蹤許多市場以及證券價格的最新狀況，不會錯失任何一個演算法所定義的交易機會。
(三)善用市場豐富和可靠的歷史數據。讓電腦程式做出更優投資決策，將有海量的數據供研究人員進行測試和分析，然後摸索出一定的可重複性規律，將其寫入代碼之中，讓機器忠實的執行。尤其是已開發國家的金融市場，歷史數據相對來說更加豐富和可靠，因此也更容易讓量化交易有更大的用武之地。市場規則透明穩定，因此一些歷史模式可能得以重複。量化交易的核心，就在於發現歷史規律和模式，並從這些模式在未來的重複中獲利。而歷史模式得到重複的前提，是市場的規則比較穩定透明，不受那些無法預測的 “意外” 的影響。
二、當然也有人比較佔優勢的市場，也就是演算法交易的缺點：
(一)缺乏歷史數據，或者儘管有歷史數據，但數據不甚可靠，其中有很多噪音。舉例來說，如果某國營不少上市公司都在財務數據上作假，虛報盈利，那麼用機器學習的方法，很可能會 “垃圾進、垃圾出”，得到不少錯誤的結論。而如果一位基金經理經驗豐富，對做假帳的方法比較熟悉，那麼他就能更快和更準確的看出這些假冒數據背後的端倪，也更能夠離真相更進一步。市場規則不透明，或者多變。在這樣的環境下，一些所謂的歷史規律，可能是在特定時間和特定規則下的產物，因此很難會在未來重複出現。
(二)黑天鵝事件。顧名思義，黑天鵝事件就是那些人們預料不到的，幾十年一遇，甚至百年一遇的情況。這樣的事件幾乎沒有歷史先例可以參考，因此機器在這方面幾乎沒有應對能力。
(三)前視偏差 (look-ahead bias)：發想策略時容易站在上帝視角分析過去的資料，容易over-fit自己的策略，找到許多有correlation但純屬巧合的指標，或者甚至自己的回測策略就不小心吃到了未來的資料來做判斷，自然會過度樂觀。
坊間一大堆理財機器人，如何分辨哪一個最強？
市場上很多所謂AI技術智能投資，背後一定有他的演算法支持期運作，哪一個真正能解決投資的基本問題：要買甚麼？何時買？持有期間多長？如何調整？何時賣？怎麼賣？並且也可以解決一些投資的核心問題：1.資產配置2.投資的時機(投資標的的再平衡(REBALANCE)3.持有期間為何？…就是好的理財機器人。
除此，好的機器人理財服務，需要有以下核心價值：
1.透明全面
布局全球市場的股、債、不動產等多元資產。
2.簡單無聊
好的投資應該是簡單且無聊的，雖然不會帶給你雞尾酒會時的話題，但是會是你可靠的投資夥伴。
3.資產配置及有效的風險控管
4.長期紀律
人容易因為貪婪、恐懼、懶散等因素，無法紀律堅持的完成經過評估的投資策略，而自動化的「無痕」剛好可以克服這點。
嗨，我是AI訊號王的人工智能，我有專利哦！
以成功大學技轉AI技術自動化投資理財的智能基金評等推薦系統（模型評量與選擇的系統與方法Step-SPA(k)/已取得專利授權），也就是AI訊號王資訊來源的依據。其演算法與傳統計量檢定方法的差異化優勢如下述：
傳統計量檢定方法
於實務上面臨以下缺點：
檢定能力容易受到較差模型的影響，篩選標準太過嚴格，因而遺漏好基金，只能檢定出最佳的模型或策略是否能擊敗基準模型，不能將所有優於基準模型的策略或模型挑出。
逐步預測力優劣檢定方法
如何改善實務上傳統方法的缺點：
1.以多重階段檢定，逐步挑選所有優於比較基準模型的基金
2.藉由放寬檢定的標準提升檢定力，以避免過度保守而遺漏重要基金
3.解決何時買？ 持有期間多長？ 如何調整？ 何時賣？ 怎麼賣？的問題----透過系統的篩選達到絕對績效的目的，以解決共同基金相對績效的迷失。
AI訊號王根據以上說明之演算法再加上嚴謹的量化回測，回測結果及實際操作績效如下：
一、技術回測績效
根據下圖數據顯示，藉由本公司技術所組建之投資組合在短長期的報酬、風險和其他標準化投組指標均超越或持平於MSCI世界指數。
智能基金評等推薦系統篩選之投組與MSCI World Index長期績效回測比較圖：
除了年化報酬優於BENCHMARK外，最重要的是下檔風險及最大回跌部分，顯見此系統除了追求超額報酬外，也同時突顯風險控管的重要性。
二、客戶實際進場績效
在2013-2014年期間，運用智能基金評等推薦系統為XX人壽建立投組，2年內報酬率約70%，年化報酬率高達30%。在下圖中，由於市場崩盤，使智能基金評等推薦系統篩選不出任何基金標的，投組全數調整成現金定存，直到技術能挑選出標的時才會再度持倉，以保障客戶投組的安全。
智能基金評等推薦系統投組實際操作績效圖：
AI訊號王是以學術完整理論為基礎，市場的實際驗證，透過AI技術的機器學習的進化，善加利用的確是可提升共同基金投資績效！好基金選擇就用AI訊號王！
